Tehnologija koja je zaslužna da danas jedan automobil može u potpunosti autonomno sudjelovati u prometu zajedno s drugim vozilima kojima upravljaju ljudi je nevjerojatna. Ona je rezultat dugogodišnjeg razvoja, napora inženjera, testiranja u simulatoru i stvarnim uvjetima, pri čemu treba prevladati brojne izazove i probleme.
A kakvi su i koliko složeni takvi izazovi, odnosno na što sve treba voditi računa prilikom razvoja autonomne tehnologije jučer je putem Zooma na konferenciji DSC Croatia 22 objasnio Sacha Vrazic, direktor razvoja autonomne vožnje u Rimac Technology.
Iako su, kada se govori o Rimcu, u posljednje vrijeme u prvom planu robotaksiji, Vrazic je govorio o razvoju autonomne tehnologije koja se koristi u Neveri. Ovaj električni hiperautomobil, naravno, nije autonoman, no ima zanimljivu, kako je Vrazic rekao, signature opcije driver coacha koji prati performanse vozača tijekom utrkivanja na stazi te mu predlaže kako bi trebao što učinkovitije voziti da rezultati budu bolji, odnosno brži.
Vrazic kaže kako će automobili u budućnosti imati brojne nove opcije poput emergency kočnica, upozorenja na sudar s pješacima, morat će prepoznati prometne znakove, upozoriti na brzu vožnju pa čak i upozoriti vozača u slučaju da nije potpuno fokusiran na vožnju. Za implementaciju takvih opcija nije potrebno previše podataka, no za razvoj tehnologije četvrtog stupnja autonomne vožnje (sustav Rimac Technologiesa je “blizu levela 4”) potrebno je jako puno podataka, a njih treba prikupiti, pohraniti, prebaciti iz automobila na računala, obraditi itd.
Na prvi pogled to možda ne zvuči komplicirano, no kako Nevera korištenjem brojnih senzora, radara i lidara prikuplja gomilu podataka - čak 5TB po satu, tijekom testiranja koja mogu trajati prosječno 6 sati, dnevno se prikupi čak 30TB podataka.
Podaci, simulacija i testiranje
Prvi problem s tako velikom količinom podataka jest njihova pohrana - oni se pohranjuju na diskove koje vozači tijekom vožnje moraju mijenjati, a nakon toga njih je potrebno prebaciti na računala, što također nije jednostavan niti brz proces kada je u pitanju tako golema količina podataka koje je, naravno, potrebno i backupirati. Dodatni izazov pri tome predstavlja i donošenje odluke o mjestu pohrane podataka, hoće li to biti na vlastitom hardveru ili će se plaćati usluga pohrane u cloudu.
Također, za obradu i analizu tako velike količine podataka potrebno je i superračunalo koji će moći izdržati teške zadatke koji se pred njega stave.
Prikupljanje podataka prva je faza u razvoju autonomnih sustava, nakon koje slijedi faza u kojoj se podaci, odnosno objekti koji su snimljeni tijekom vožnje označavaju (annotation) kako bi ih računalo moglo prepoznati. Označavanje svih stvari i objekata koje računala snima da bi ih se moglo prepoznati veliki je izazov te treba izraditi posebne alate, što to stoji puno vremena i novaca.
Jednom kada su podaci skupljeni te kada računalo može prepoznati stvari oko sebe slijede faze treniranja modela i simulacija. Za to je također potrebno puno vremena i računalne snage. Simulator je iznimno važan jer se unutar njega automobil virtualno može testirati u različitim situacijama na koje možda neće naići u stvarnim uvjetima na cesti. Npr. što ako pukne guma tijekom vožnje, kako će automobil reagirati u slučaju teških vremenskih uvjeta (takve je situacije poželjno prvo ispitati u virtualnom okruženju, a tek onda testirati na stazi/cesti). Tek nakon toga kreće testiranje i validacija sustava autonomne vožnje.
Naravno, svi spomenuti izazovi o podacima, odnosno njihovom prikupljanju, pohrani, obradi i analizi samo su mali, ali i iznimno komplicirani dio ukupnog procesa razvoja sustava autonomne vožnje. Slične sustave razvijaju i brojne druge globalne tvrtke - od Wayma, Cruisea i Tesle do kineskih tehnoloških i automobilskih kompanija, a mi s nestrpljenjem iščekujemo informacije o projektu robotaksija u Zagrebu koji bi trebao zaživjeti već za dvije godine.
